基于机器学习的复杂版面分析技术研究
| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第10-17页 |
| 1.1 选题背景和意义 | 第10-11页 |
| 1.2 研究进展 | 第11-15页 |
| 1.2.1 国内外研究现状 | 第11-12页 |
| 1.2.2 现有方法综述 | 第12-15页 |
| 1.3 本文的主要工作与内容安排 | 第15页 |
| 1.4 本文的组织结构 | 第15-17页 |
| 第二章 基于机器学习的算法研究 | 第17-28页 |
| 2.1 机器学习概述 | 第17-18页 |
| 2.2 统计学习理论 | 第18-21页 |
| 2.2.1 VC维 | 第19页 |
| 2.2.2 推广性的界 | 第19-20页 |
| 2.2.3 结构风险最小化 | 第20-21页 |
| 2.2.4 统计学习在版面分析中的应用 | 第21页 |
| 2.3 机器学习相关算法研究 | 第21-27页 |
| 2.3.1 聚类 | 第21-23页 |
| 2.3.2 人工神经网络 | 第23-25页 |
| 2.3.3 支持向量机 | 第25-27页 |
| 2.4 本章小结 | 第27-28页 |
| 第三章 图像关键特征提取方法研究 | 第28-39页 |
| 3.1 图像特征的提取与改进 | 第28-35页 |
| 3.1.1 灰度特征 | 第28-29页 |
| 3.1.2 纹理特征 | 第29-32页 |
| 3.1.3 形状特征 | 第32-33页 |
| 3.1.4 相位一致统计特征 | 第33-34页 |
| 3.1.5 实验可视化结果 | 第34-35页 |
| 3.2 改进的主成分分析的特征提取 | 第35-38页 |
| 3.3 特征数据归一化 | 第38页 |
| 3.4 本章小结 | 第38-39页 |
| 第四章 基于机器学习的版面分割和分类 | 第39-53页 |
| 4.1 版面分割方法研究 | 第39-44页 |
| 4.1.1 基于神经网络的文本区域分割 | 第39-43页 |
| 4.1.2 基于SVM的版面分割 | 第43-44页 |
| 4.2 版面分类方法研究 | 第44-50页 |
| 4.2.1 多分类构造方法介绍 | 第44-47页 |
| 4.2.2 改进的一对一方法 | 第47-49页 |
| 4.2.3 模型选择 | 第49-50页 |
| 4.3 版面分析结果 | 第50-52页 |
| 4.4 本章小结 | 第52-53页 |
| 第五章 实验结果对比及应用 | 第53-60页 |
| 5.1 测试环境 | 第53页 |
| 5.2 本文研究结果对比及分析 | 第53-57页 |
| 5.2.1 版面分割准确率 | 第53-56页 |
| 5.2.2 版面分类准确率 | 第56-57页 |
| 5.3 实际应用 | 第57-59页 |
| 5.4 本章小结 | 第59-60页 |
| 第六章 总结与展望 | 第60-62页 |
| 6.1 总结 | 第60页 |
| 6.2 展望 | 第60-62页 |
| 参考文献 | 第62-66页 |
| 在学期间的研究成果 | 第66-67页 |
| 致谢 | 第67页 |
